人事决定的好坏直接影响着一个组织的成败。但传统上，这些决定的基础大多是直觉和偏见，因而很容易出错。但现在，企业开始利用数据，通过复杂的分析来处理诸如招聘、薪金裁定以及绩效评估在内的各项事务；因为他们相信这么做能够提高他们的决策水准。

　　沃顿商学院2015人力资源分析大会今日于费城召开。沃顿商学院人力资源分析项目负责人、信息管理学教授凯德·梅西（Cade Massey），以及管理心理学教授亚当·格兰特（Adam Grant），与沃顿知识在线一起探讨了为什么以数据为驱动的人事管理方法会受到这么大的关注。

　　谈话内容经过编辑整理如下。

　　沃顿知识在线：去年我们讨论人力分析这个话题的时候，正好是在你们会议开始之前；转眼现在又到了你们会议召开的时候了。我感觉在过去的一年中，人们对于人力分析的兴趣有了极大的提升。为什么人力分析会变得这么火呢？

　　凯德·梅西：我同意你的看法，（这个话 题）它确实火了很多。它最早是始于技术行业，然后在金融界得以发展。我的感觉是大家之所以欣赏它，主要原因在于它本身功能极为强大，但在过去却并没有被好 好的加以利用。突然之间，他们意识到了其实我们习惯于在市场营销或财务领域使用的这些工具也能用于招聘和定薪水这个环节。考虑到（招聘和薪金评定）对于一 个组织的重要程度，人力分析之所以流行起来完全是因为人们意识到了它的潜能有多大。

　　沃顿知识在线：亚当，你就人力分析的流行有什么看法呢？

　　格兰特：五年前我和凯德一起为谷歌工作时也才意识到有这么个东西的存在。我们建立的这个人力分析团队包含了许多 传统人力资源人士，咨询顾问，工程师和许多我们这样学习组织行为学的人在内。这个团队最让人激动的就在于他们能够在针对那些以前基于直觉判断才能解答的问 题，通过跑试验、收数据来发掘正确的决定究竟是什么。谷歌在这一领域的成就广为人知，这就让其他的领导人开始思考：“为什么我们没有在做这个呢？我们不也 该以证据为基础来做重要决定吗？”

　　梅西：我们应当把功劳归给拉斯洛·博克(Laszlo Bock) ;，因为他一直在推动此事。他是谷歌人力资源部门的头头，他也总是非常愿意说：“嗨，这个是我们现在正在做的。这也是你应该做的方式。”向竞争对手这么表态可不是很常见的。

　　沃顿知识在线：我发现人力分析中一件很有意思的事就是，过去很多基于直觉的人事决定现在更多的依赖于数据了。如果把招聘作为公司和员工之间接触的第一点，你能跟我举例说明一下人力分析对这一点造成了怎样的变化呢？

　　梅西：人们一直都希望能够找到客观的标准来找出谁会在他们的公司内表现得很出色。与其（把潜在的员工）叫过来面 对面的交谈，我们能不能收集有关他们大学的绩点（GPA）、他们上过的学校以及他们过去的雇主的信息，然后通过这些内容来预测他们未来的情况呢？如果能的 话就太好了，是不是？也正因为你节省了很多时间，现在你就能更有效地处理所有的申请了。因此，这是极为有前景的一件事，也是非常有吸引力的。但也正是真要 做到品牌命名这一点非常酷男女，所以它的吸引力才这么的大。一旦你成功的话，其前景是不可限量的。因而你做的任何事，只要能够将其实现，其回报都将是极其丰厚的。 目前还没有什么好方法出现。但将之实现之后的前景确实令人着迷。

　　沃顿知识在线：根据已有的证据，能否说明选择上哪所学校很重要呢？

　　梅西：这是每一个家里有孩子在读高中的家庭都在问的一个问题。孩子去普林斯顿还是去州立大学呢，这两者的差别有多大呢？我还不清楚现在是否有证据能够回答这一问题。

　　格兰特：我在(劳动和公共经济学)这个领域最喜欢的是凯洛琳·霍克比（Caroline Hoxby）的一项研究。如果我没记错的话，她的研究结果表明大多数情况下其实是选择效果在作祟：如果你是从常春藤联盟学校毕业的话，你通常会选择更高收 入的工作也会有更多的工作机会。但是在大学选择招收你之前，所有让你成功的因素都已经是有迹可循的。

　　梅西：优秀的大学也许要么是通过他们（提供）的交际网络，要么是通过培训来让学生获得优势。但这是一种固定思维。社会阶层的差异确实有可能存在，但人们往往高估了这些差异。单个社会阶层其内部的差异性也是巨大的。

　　沃顿知识在线：那么假如说招聘已经结束了，现在到了入职的这一步。人力分析能够怎样优化入职过程呢？

　　格兰特：谷歌已经仔细地研究过这一点。他们通过（采取不同入职方式的）实验来观察究竟是什么导致了差别的出现， 并在过去几年中一直在做这个事。他们意识到入职过程的重要性，也明白入职的重要性一直被严重低估了。我并不了解这项研究的细节问题，但是有这么一个结论让 我印象很深刻。当他们审视那些影响你在谷歌前几天或是前几周表现的事情时，（他们发现）似乎最重要的事情就是你一定要在第一天就与你的经理会面。通常情况 下作为新人，你会被派去各种不同的地方。但是根据已有证据他们表示，“我们入职的其中一项规定就是你要在第一天就去与你的经理会面。”而这也正是员工和雇 主之间构建凝聚力的重要一环。

　　这并不是说我们之前并不知道让员工认识他们经理是很重要的一件事。但我认为我们所有人，包括我自己在内，都严重低估了第一天这么做所能带来的效果。这也是我们从他们的工作那里学习到的诸多事情之一。

　　梅西：他们提过另外一个明智的做法就是要明白，个人在企业里的成功与否也常常取决于他们是为谁而工作。但是，员 工自己并不能决定他们的领导是谁。这并不是入职的一环，但它确实是职业生涯早期需要好好考虑的一件事。如果事情不顺，并不要只去责怪这个人。你在做出重大 结论之前还是要考虑到不同环境下这个人的表现究竟会有何不同。这就是要系统化、科学化评估或是培训员工的例子，我们不能坚持老式的思维方式、认为我们之前 是这么做就意味着现在也就要这么做。

　　沃顿知识在线：我们现在越来越多地要处理团队合作的问题。团队内部成员往往来自不同的国家，或是分属不同的年代。有时候甚至要让婴儿潮一代和千禧年那一代来相互合作。我们能从人力分析中来学习到什么来创建一个高效的团队呢？

　　梅西：可以借鉴的东西太多了，这个话题能讨论的东西非常多。举个例子，就拿（研究心理学家）克里斯托弗•查布里 斯(Christopher Chabris)和他的同事有关团队智商最近的成果来说。他们的工作很有意思，他们把团队的生产率与个性特征与团队工作的比率相联系后发现，诸如团队智商 这样的东西并不是简单部分的总和。并不是说你把所有的聪明人放到一起他们就会做出最好的工作。团队成员需要了解如何与他人合作、如何作为团队的一部分来工 作才行。个人智力的总和并不等于团队的智力水平。

　　格兰特：以此为基础，是有办法能够通过团队的构成来提高团队智力水平的。我经常听到的一种说法就是多样性是非常 有益的。毫无疑问，就不同的人所能带来的独特见解、观点和技巧而言，我们能够多样性中收获颇丰。但通过个性研究你就会发现，其实有些性格上的相似性往往比 多样性更为有益。

　　如果你看一下数据，外向性/内向性的差别是多样性最为有益的地方。团队中全是外向型成员的话基本上永远不会开始工作。而全是内向型成员的话，团队间 就缺乏契合度。就数据而言两者混合的团队是最为有效率的团队。但不要认为同样的结论适用于其他的性格。举例来说，如果考虑到诸如亲和性，也就是喜欢一团和 气的性格，最糟糕的事情莫过于把他们放在持极端挑剔与怀疑态度的团队之中。因为那些没有亲和性的人就会有时时如履薄冰的感觉，而那些有着亲和性的人就会陷 入如第二十二条军规所描述的这种情景：“出于亲和性的考虑，我要来迎合那些没有亲和性的人，跟他们一样显得没有亲和性，之后我就会憎恨起我自己。或者，我 可以坚持要保持我亲和性的特点，可这样就太不亲和了。”（在这种情况下，）其实有着相似的个性或是一贯交流的准则是相当有益的。我认为我们在团队构成上要 比以前想的更为周全才行。 

　　梅西：人力分析的作用笼统来说就是让我们更倾向于从细节上来研究这个问题，并且在理想的状态下能够围绕着这点来做实验。因此，我们不是要采取传统的智慧，也不是要从过去带过团队的人写的东西那里来学习。我们要做的其实是收集数据，运行试验，提出问题然后再解决问题。

　　沃顿知识在线：让我们进一步讨论有关多样性的问题。举例来说，现在有很多新闻报道是有关女性在高科技公司的问题，其中有一些话题是比较富有争议性的。人力分析是否有什么成果能够表明性别乃至种族差异与个人表现的相关性呢？

　　格兰特：雪尔·桑德伯格（Sheryl Sandberg）（Facebook的首席运营官和畅销书 Lean In的作者）是这项研究的灵魂人物。通过与雪尔共事，我从她那里学到了很多性别问题的知识。她手下有一个非常优秀的研究员，来自斯坦福的丽安•库珀(Marianne Cooper)，她与我们一起合作研究数据的真实意义。

　　我现在想说的是，目前还有很多还没有被充分利用的学术研究资源。举例来说，我们知道如何去设计绩效评估体系，但它们往往注重于投入的功效，而不是项 目之中人的作用。我们也了解如何吸引女性来申请高科技的工作，事实上招聘人员在其中起到了很大的作用。沃顿教授马修·毕德威尔（Matthew Bidwell）在金融领域已经有所研究，女性之所以很少在金融界出现的原因之一就在于她们很少去申请非常高薪水的工作。其实女性申请者得到工作的概率要 高很多，因为很多金融机构都很想解决性别问题，都想雇佣更多的女性员工。但很多情况下招聘官都是男性，她们往往一开始就会觉得受挫，“好吧，我是根本不可 能得到这份工作的。为什么要自找麻烦来尝试呢？”

　　我觉得社会科学有关性别的研究结果和大部分组织实际所做的之间有着很大的鸿沟。我很高兴能够看到Facebook和谷歌在这一点上试图取得进展。现 在我们也已经注意到很多咨询公司也将性别平等放在首要位置。我知道麦肯锡现在就在做这个事情。美世咨询（Mercer）现在就有一个数据驱动的促进性别平 衡的项目，我认为这一项目会在未来数年内就会得到发展。

　　沃顿知识在线：那么有关绩效评估和薪金裁定方面，人力分析有什么要说的吗？

　　梅西：人力分析只不过是把过去从未用过的数据加以利用而已。就像“点球成金”电影里的那样，我们并不是借鉴传统智慧后表示我们要找出证据来。这里有着心理学与人们的固有偏见之间的交集。我们真正的动力在于我们可以切实地利用这些工具来提高我们的决策水平。

　　绩效评估是一个典型的例子，因为这个领域里存在着太多的偏见。但我们也不应过分宣扬人力分析的作用，因为它毕竟只是把心理学中我们已经知道了几十年 的东西借鉴过来的一个工具而已。因为我们变得更为严谨，也想要改善这一流程，我们才能够揪出其中的一些偏见。保持独立见解就是一个例子。我并不会因为你怪 罪亚当，我也就去怪罪他。我们（也）不能把一个人不相关的信息带进来，因为根据几十年的研究结果显示，我们一旦知道了某些事情之后就很难把它（从我们的思 维中）分离出来。

　　格兰特：凯德说的东西揭示了整个事情的全貌。我们刚刚谈到了谷歌在激发大众对于人力分析领域的重要作用，但我认为“点球成金”和体育运动分析的流行也很可能起到了催化效果。

　　梅西：是的，职业体育在利用这些工具上早就走在了非职业体育领域的前端，因为职业体育自身就是建立在运动员个人 的表现上的。他们能够很准确的找到投入，也能很清楚的看到产出。如果现在看看体育分析的现状的话，你就会发现这些工具已经预判未来十年内的状况。甚至仅仅 是严谨程度和科学程度上来说他们都出于领先的地位，因为二十年前计算棒球数据的那些家伙们早就对此得心应手了。

　　沃顿知识在线：谷歌在我们的对话中已经出现了好几次。有没有其他的公司或者组织在这个领域也做的很好的？一般企业能从他们的经验中学到什么呢？

　　梅西：有一些企业已经研究这一领域很久了。德勤会计师事务所很久以前就有了劳动力分析的做法。高盛在过去几年中也发起了很大的相关项目。瑞士信贷对一些全职做此事的人很感兴趣。强生公司也是。亚当肯定知道的更多。

　　格兰特：我就补充几个不同行业的例子吧。为美国而教（Teach for America），尤其是在招生领域就是个例子。他们已经数年通过追踪雇佣所需的信息来评估谁会成为明星教师，谁又会一直坚持下去。捷蓝航空在这个领域也 是遥遥领先。好几个不同的领域都有人在做。我最喜欢的就是认可领域。要如何才能构建科学的认可体系，来确保自己知道何时给予他人认知和表扬呢？这种认可是 要公开的还是要私下的呢？

　　梅西：为美国而教实在是一个好例子，因为我们在谈论谷歌和高盛时，你并不一定能想到非盈利行业。但是他们是在招 聘领域做的最好的。如果要我说谁是最为了解自己招聘程序的企业的话，一定非他们莫属了。现在他们已经很得心应手了，因为同样的工作他们每年要审阅五万到六 万份简历，有这样的流量实在是再好不过了。我能告诉你的是，沃顿MBA招生部门就是从为美国而教那里学习并优化了自己的流程的。

　　沃顿知识在线：招聘到最合适的人的秘方究是什么呢？

　　梅西：要认识到你自己永远是不正确的，你的工作也是远没有完成的。秘方就在这两件事上。对于为美国而教来说，他 们也声称自己的工作永远也没有完成。因为它并不是一个一年的项目就结束了。而且他们的信念就是：“这些是我们的标准，那些是我们的目标。但我们知道它们都 是错的。”这就保证了进步的持续性。这种谦恭的态度对于分析来说相当宝贵，因为我们不能对自己的模型过于有信心。你需要谦恭的态度来说我们是错的，我们知 道我们是错的。

　　沃顿知识在线：保持谦卑总体上是一件好事。

　　格兰特：是的。而且我认为这是人力分析所类属的循证管理领域基础的一部分。 杰夫（杰弗瑞）·费佛和鲍勃（罗伯特）·萨顿教授（作家，斯坦福大学教授）一直说，如果你想保证分析的正确性，你就要保有智慧的态度：也就是愿意根据手上 所有的最好的信息来采取行动，同时还要不断地怀疑你所知道的一切。正像凯德所说，我们很容易就会丢掉保持怀疑的那部分。

　　招聘领域还有这么一件事让我大开眼界。根据（宾夕法尼亚大学心理学教授）Rick Jacobs和他的同事的数据显示，不合适的招聘结果其成本是一次成功雇佣的三倍。我认为许多的选择其实更多的是择出而不是选入。你总会面对错误决定的后 果。但是招进一个不合适的人选然后再替换掉；或是做出许多弥补措施，这么做的风险更大一些。这也就是我认为大家应该更为关注的地方。

　　沃顿知识在线：让我们换个角度，从你们作为研究人员的角度，你们认为你们想要解决的大问题是什么？你们了解的事物中最让人感到惊讶的地方在哪里？

　　梅西：我工作中有一部分就是我们现在所说的话题：如何让人们更加接受分析学。我们有些任务是预测市场或者价格的 未来变化，或者预测员工未来的表现。你手上可能有了一些算法，但大多数情况下你都要将这些算法和专业性的判断联系起来。这与个人还是电脑无关，要想达到最 好的结果就必须将这些联系起来。人们还不习惯从电脑那里获取意见，尤其当他们是该领域的专家时更是如此。我们正在试图了解这中心态。是什么让人们不愿去获 取这些意见以及我们能做什么来消除这种抵.制情绪。

　　格兰特：我现在比较感兴趣的事是合作负担的事情，也就是我们要不断的参加会议、回复邮件，相互依赖程度过高导致没有人能够知道要怎么处理这件事。所有人都认为合作很好，但每个人都被合作弄得不堪重负。

　　我目前正在与（弗吉尼亚McIntire商学院管理学副教授）Rob Cross做一个项目，主要研究下列问题：如果你就组织网络进行分析的话，你主要的知识、建议和专业性的获取渠道是哪里？Rob发现有一定数额的人会把你 的名字写下来。一旦这个数字太大，你就会有深陷焦虑和超负荷的风险之中。问题就在于这个数字究竟是多少呢？如果所有人都指望你的帮助，这无疑是致命的。我 感兴趣的就是如何重新分配这些寻求帮助、指导和沟通的需求，这样就不会它们就不会集中在某一个两个人身上了。

　　沃顿知识在线：这真的很有趣。最后一个问题。考虑到人力分析的现状以及当前该领域的知识水平，你认为最大的知识差距在哪里，又要怎么做来弥补这些差距呢？

　　梅西：要我说，差距就在于效率上：不是说能够更高效的处理数字，而是能够真正给组织带来变革上。华丽的模型或是 数学上的推断并不是关键，关键在于如何将它们转化为行动。在你能够阐述你的结果之前，你的模型无论做产品手册设计的多好都没有意义。现在，每个人都痴迷于模型、数据和 分析之中。但除非他们能够切实的说服并改变一个组织，这些都没有什么意义。

　　格兰特：从我的角度来看，人力分析最大的悬而未决的问题就是凯德现在正在努力解决的问题：为什么没有更多的企业 在做这个？我们要怎么样才能让高层领导意识到，仅仅因为某些变量难以衡量并不意味着就无法用科学的方法来处理它们呢？如何才能让领导人认识到，我们手上有 了更多的数据后并不意味着就会失去我们的工作。它只是提供了一个让我们能做出更佳判断的工具而已。